لماذا لا يثق المدراء الماليون في دول الخليج بالذكاء الاصطناعي في أرقامهم

تُمرِّر مديرة مالية في الرياض حزمة تقارير مجلس الإدارة عبر مساعد ذكاء اصطناعي جديد لامع، فيعيد إليها رقم إيرادات نظيفاً، واثقاً، وحسن التنسيق. تقارنه بدفتر الأستاذ، فتجده مختلاً بمئات الآلاف من الريالات. ليس خطأً كارثياً، لكنه خطأ يكفي لأنها لو وثقت به لوقفت أمام مجلسها تدافع عن رقم لا وجود له.

تتوقف عن استخدام الأداة في الأسبوع نفسه. وهي ليست وحدها.

الخليج، بمعظم المقاييس، يسبق بقية العالم في طموحه نحو الذكاء الاصطناعي: توجيهات حكومية، وبرامج ذكاء اصطناعي سيادية، وميزانيات حقيقية تقف خلفها. ومع ذلك، يصل استطلاع تلو الآخر إلى النتيجة المزعجة ذاتها: غالبية كبيرة من المدراء الماليين في المنطقة يقولون إن الذكاء الاصطناعي لم يحقق أي قيمة تُذكر في وظيفتهم المالية. ويضع أحد الأرقام الشائعة النسبة عند 86 في المئة تقريباً. أعد قراءتها: منطقة تتصدّر في التبني، لكنها متعثرة في النتائج.

التفسير المعتاد هو أن النماذج لم تبلغ بعد المستوى الكافي. لكن هذا تشخيص خاطئ.

النموذج نادراً ما يكون المشكلة

حين يقول مدير مالي “لا أثق بالذكاء الاصطناعي في أرقامي”، فهو لا يقصد تقريباً أن النموذج اللغوي عاجز عن كتابة جملة متماسكة. النماذج بارعة في اللغة بشكل لافت. المشكلة تظهر في اللحظة التي تلتقي فيها اللغة بالحساب فوق بيانات مالية حقيقية وفوضوية.

هنا ينكسر أمران.

الأول: الحساب. النماذج اللغوية الكبيرة لا تحسب كما يحسب جدول البيانات. إنها تتنبأ بالكلمة التالية بناءً على أنماط في النص، ما يعني أن سؤالاً مثل “كم هامش ربحنا الإجمالي للربع الثالث” تتم مطابقته نمطياً، لا حسابه فعلياً. أحياناً يصيب النمط الإجابة الصحيحة، وأحياناً يخطئ بثقة تامة. لا يوجد دفتر أستاذ داخلي، ولا قيد مزدوج للتحقق، ولا أي شيء يربط المُخرَج بمصدره.

الثاني: البيانات. حتى النموذج الذي يحسب بإتقان تام سيظل ينتج فوضى إن كان يقرأ من مدخلات غير مطابَقة. وفي معظم الفرق المالية للشركات المتوسطة والكبرى في الخليج، المدخلات هي بالضبط كذلك: مبعثرة عبر نظام ERP، وبضعة جداول بيانات، وبوابة بنكية، ونظام فوترة إلكترونية، وربما شركة تابعة إقليمية تعمل على دليل حسابات مختلف. الأرقام لا تتفق فيما بينها بعد. وأن تطلب من الذكاء الاصطناعي أن يستنتج من ذلك أشبه بأن تطلب منه حساب متوسط حقيقتين متناقضتين.

فيعطيك الذكاء الاصطناعي رقماً سلساً وسريعاً وغير قابل للتحقق. وبالنسبة لمدير مالي يقف شخصياً خلف كل رقم يصل إلى مجلس الإدارة أو الجهة التنظيمية، فإن “سلساً لكن غير قابل للتحقق” أسوأ من لا إجابة على الإطلاق.

لماذا الثقة هي عنق الزجاجة الفعلي

الثقة ليست كلمة عابرة هنا. إنها البوابة التي ينتظر خلفها كل شيء آخر.

لن يؤتمت المدير المالي تنبؤاً لا يستطيع تدقيقه. ولن يسمح لوكيل ذكاء اصطناعي بإعادة التنبؤ بالسيولة إن لم يستطع تتبّع مصدر رقم السيولة. ولن يضع رقماً مولَّداً بالذكاء الاصطناعي في وثيقة موجَّهة لجهة تنظيمية إن لم يستطع إظهار مسار الحساب. يتعثر التبني لا لأن التقنية عاجزة، بل لأن المُخرَج غير قابل للدفاع عنه.

وفي هذه المنطقة، تحمل القابلية للدفاع وزناً إضافياً. فبين الفوترة الإلكترونية لهيئة ZATCA في السعودية، والفوترة الإلكترونية التي يجري تطبيقها في الإمارات، وجهات تنظيمية تطلب بشكل متزايد قابلية تفسير القرارات الآلية، فإن “هكذا قال الذكاء الاصطناعي” ليس جواباً يمكنك تقديمه. أنت بحاجة إلى أن تشير إلى مصدر.

هذا هو الفارق الحقيقي. ليس ذكاءً اصطناعياً قادراً مقابل ذكاء اصطناعي عاجز، بل أرقام قابلة للتدقيق مقابل تخمينات واثقة.

ما يصلح المشكلة فعلاً: طبقة مطابَقة في الأساس

الحل ليس نموذجاً أذكى، بل وضع طبقة موثوقة بين بياناتك المالية الخام وأي ذكاء اصطناعي تُوجِّهه نحوها.

عملياً، يجب أن تتحقق ثلاثة أمور قبل أن ينطق الذكاء الاصطناعي بكلمة:

• نموذج واحد مطابَق. تُربط منصات المحاسبة لديك وبيانات البنوك وأي كشوف مرفوعة، وتُسوَّى في نموذج مالي واحد يتفق مع دفتر الأستاذ. ليس نسخة، بل مطابقة. إن قال النموذج إن الإيرادات هي X، فإن X تطابق الدفاتر.
• حساب يُجرى بشكل حتمي. حين يطلب أحدهم هامشاً أو مدى استدامة نقدية أو انحرافاً، يجري الحساب عبر محرك حساب حقيقي، لا عبر مطابقة الأنماط في النموذج اللغوي. المدخلات ذاتها تعطي الإجابة ذاتها في كل مرة. قابل للتكرار، لا مرتجَل.
• كل رقم يتتبّع إلى مصدره. أي رقم يقدّمه الذكاء الاصطناعي يمكن النقر عليه للرجوع إلى المستند أو المعاملة أو السطر الذي جاء منه. هذا ما يحوّل الإجابة إلى شيء يستطيع المدير المالي التوقيع عليه.

هذا هو الترتيب الذي يهم: الثقة أولاً، ثم الأتمتة. اجعل الأرقام قابلة للتحقق، ثم دع الذكاء الاصطناعي يستردّها، ويجري عليها سيناريوهات، ويستخلص الرؤى. الذكاء يجلس فوق أساس مطابَق سلفاً.

إنه المبدأ نفسه الذي نتناوله عبر الركيزة الأوسع حول بناء طبقة أرقام موثوقة ومتوافقة للفرق المالية في الخليج. طبقة البيانات هي الجزء غير البرّاق الذي لا يسوّقه أحد، وهي الجزء الذي يقرر ما إذا كان أي ذكاء اصطناعي فوقها قابلاً للاستخدام أصلاً. وإن أردت رؤية الآلية بالتفصيل، فإن صفحة كيف يعمل لدينا تشرحها خطوة بخطوة.

طريقة عملية لاختباره

قبل أن تثق بأي أداة ذكاء اصطناعي مالية، اطلب منها شيئاً واحداً: أرني من أين جاء هذا الرقم.

إن استطاعت أن تريك المستند المصدر، ومسار الحساب، وأن تؤكد أن الرقم يطابق دفتر أستاذك، فلديك ما يمكن البناء عليه. وإن اكتفت بإعادة ذكر الرقم بثقة أكبر، فلديك التزام بمسؤولية مغلّف بواجهة استخدام جميلة.

ولهذا أيضاً تهم الخصوصيات الإقليمية إلى هذا الحد. فالأداة التي تتعامل مع الامتثال لـ ZATCA والإمارات بنماذج جاهزة للتدقيق وقابلة لتتبّع المصدر تحل مشكلة الثقة عند المستوى الذي تفحصه الجهات التنظيمية فعلاً. وإن كان فريقك يعمل بالعربية، فإن الطبقة اللغوية تضيف مزالقها الخاصة، وهذا سبب آخر لأن حتى أقوى النماذج العربية لا تزال بحاجة إلى طبقة أرقام حتمية تحتها لتقوم بالحساب الفعلي.

الخلاصة

مشكلة الخليج مع الذكاء الاصطناعي في المالية لم تكن يوماً مشكلة نموذج. إنها مشكلة ثقة في البيانات ترتدي زيّ النموذج. الـ 86 في المئة الذين لا يرون قيمة لا يستخدمون ذكاءً اصطناعياً سيئاً. إنهم يوجّهون ذكاءً اصطناعياً جيداً نحو أرقام لا تتفق فيما بينها بعد، فيحصلون على إجابات واثقة لا يستطيعون الدفاع عنها، ثم ينسحبون بهدوء.

أصلح الطبقة الكامنة تحتها، وستصبح النماذج ذاتها مفيدة فجأة، لأن مُخرَجاتها الآن تتتبّع إلى المصدر وتطابق دفتر الأستاذ. الثقة ليست مكافأة على تبني الذكاء الاصطناعي، بل هي شرطه المسبق.

إن أردت أن ترى كيف يبدو الذكاء الاصطناعي حين يطابق كل رقم ويتتبّع رجوعاً إلى مصدره، احجز عرضاً توضيحياً وأحضر معك رقماً لم تثق به يوماً من أداة.